| dc.contributor.advisor | Evripidou, Salomi | |
| dc.contributor.author | Σουβαλιώτης, Πρόδρομος | |
| dc.date.accessioned | 2026-06-10T07:35:56Z | |
| dc.date.available | 2026-06-10T07:35:56Z | |
| dc.date.issued | 2026 | |
| dc.identifier.uri | http://hdl.handle.net/11728/13554 | |
| dc.description | ENGLISH ABSTRACT
This undergraduate thesis investigates the detection of olive leaf diseases through the
use of machine learning, deep learning, and image-based analysis supported by a low
cost unmanned aerial vehicle. More specifically, the study focuses on the development
and comparative evaluation of two different image classification approaches for
distinguishing between healthy olive leaves and leaves affected by peacock spot
disease.
For the training and initial evaluation of the models, a dataset obtained from the Kaggle
platform was used. The dataset consisted of 430 olive leaf images, including 210
healthy leaves and 220 leaves showing symptoms of peacock spot. Within the
framework of the study, two methodological approaches were implemented and
compared. The first approach was based on a classical machine learning model using a
Support Vector Machine (SVM) classifier combined with Histogram of Oriented
Gradients (HOG) feature extraction. The second approach was based on deep learning
through Transfer Learning using the Teachable Machine platform. Before training, the
images were subjected to preprocessing procedures, including resizing and input
standardization.
In addition to the evaluation on the organized dataset, an in-field real-time assessment
of the trained models was carried out in an olive grove using a DJI Tello drone. In this
phase, the drone was used as a platform for the real-time application and testing of the
algorithms under actual field conditions, rather than for the creation of a new training
dataset. This process made it possible to examine the behavior and generalization ability
of the models in environments characterized by increased variability, such as changes
in lighting, complex background, overlapping leaves, and motion blur.
The results of the study showed that the SVM + HOG model achieved moderate
performance and exhibited greater sensitivity to real-world field conditions. In contrast,
the Transfer Learning model demonstrated clearly better stability, higher accuracy, and
more reliable behavior during real-time evaluation. These findings indicate that
although classical machine learning methods can be used for basic image classification
tasks, deep learning approaches are more suitable for disease detection applications
under realistic precision agriculture conditions.
Overall, the study highlights that the combination of image analysis, artificial
intelligence, and low-cost aerial platforms can provide a practical and promising
approach for supporting crop health monitoring and the early diagnosis of plant
diseases. | en_UK |
| dc.description.abstract | Η παρούσα πτυχιακή εργασία εξετάζει την ανίχνευση ασθενειών φύλλων ελιάς με
αξιοποίηση τεχνικών μηχανικής μάθησης, βαθιάς μάθησης και ανάλυσης εικόνας, σε
συνδυασμό με τη χρήση μη επανδρωμένου εναέριου οχήματος χαμηλού κόστους.
Ειδικότερα, αντικείμενο της μελέτης αποτελεί η ανάπτυξη και συγκριτική αξιολόγηση
δύο διαφορετικών προσεγγίσεων ταξινόμησης εικόνων για τη διάκριση μεταξύ υγιών
φύλλων ελιάς και φύλλων προσβεβλημένων από την ασθένεια peacock spot.
Για την εκπαίδευση και την αρχική αξιολόγηση των μοντέλων χρησιμοποιήθηκε
σύνολο δεδομένων από την πλατφόρμα Kaggle, το οποίο περιλάμβανε συνολικά 430
εικόνες φύλλων ελιάς, εκ των οποίων 210 αντιστοιχούσαν σε υγιή φύλλα και 220 σε
φύλλα με συμπτώματα της ασθένειας. Στο πλαίσιο της εργασίας υλοποιήθηκαν και
συγκρίθηκαν δύο μεθοδολογικές προσεγγίσεις. Η πρώτη βασίστηκε σε κλασική
μηχανική μάθηση, με χρήση του ταξινομητή Support Vector Machine (SVM) και
εξαγωγή χαρακτηριστικών Histogram of Oriented Gradients (HOG). Η δεύτερη
βασίστηκε σε τεχνικές βαθιάς μάθησης μέσω μεταφοράς μάθησης (Transfer Learning),
με αξιοποίηση της πλατφόρμας Teachable Machine. Πριν από την εκπαίδευση των
μοντέλων εφαρμόστηκαν διαδικασίες προεπεξεργασίας εικόνας, όπως αλλαγή
μεγέθους και ομογενοποίηση των δεδομένων εισόδου.
Πέρα από την αξιολόγηση στο οργανωμένο σύνολο δεδομένων, πραγματοποιήθηκε
επιτόπια αξιολόγηση των εκπαιδευμένων μοντέλων σε πραγματικές συνθήκες ελαιώνα,
με χρήση drone DJI Tello. Το drone χρησιμοποιήθηκε ως μέσο real-time εφαρμογής
των αλγορίθμων στο πεδίο, ώστε να εξεταστεί η συμπεριφορά τους σε περιβάλλον με
αυξημένη μεταβλητότητα, όπως μεταβολές φωτισμού, πολύπλοκο φόντο, επικάλυψη
φύλλων και θόλωση λόγω κίνησης. Η διαδικασία αυτή δεν χρησιμοποιήθηκε για τη
δημιουργία νέου συνόλου εκπαίδευσης, αλλά για τον έλεγχο της ικανότητας γενίκευσης
των μοντέλων σε ρεαλιστικές συνθήκες λειτουργίας.
Τα αποτελέσματα της μελέτης έδειξαν ότι το μοντέλο SVM + HOG παρουσίασε μέτρια
απόδοση και μεγαλύτερη ευαισθησία στις συνθήκες πεδίου, ενώ το μοντέλο Transfer
Learning εμφάνισε σαφώς καλύτερη σταθερότητα, υψηλότερη ακρίβεια και πιο
αξιόπιστη συμπεριφορά κατά τη real-time αξιολόγηση. Τα ευρήματα αυτά
υποδεικνύουν ότι, παρότι οι κλασικές μέθοδοι μηχανικής μάθησης μπορούν να
αξιοποιηθούν σε βασικά προβλήματα ταξινόμησης εικόνων, οι τεχνικές βαθιάς
μάθησης είναι καταλληλότερες για εφαρμογές ανίχνευσης ασθενειών σε πραγματικές
συνθήκες γεωργίας ακριβείας.
Συνολικά, η εργασία αναδεικνύει ότι ο συνδυασμός ανάλυσης εικόνας, τεχνητής
νοημοσύνης και χαμηλού κόστους εναέριων πλατφορμών μπορεί να αποτελέσει μια
πρακτική και υποσχόμενη προσέγγιση για την υποστήριξη της παρακολούθησης της
υγείας των καλλιεργειών και της έγκαιρης διάγνωσης φυτικών ασθενειών. | en_UK |
| dc.language.iso | el_GR | en_UK |
| dc.publisher | Πρόγραμμα Δημόσιας Διοίκησης, Σχολή Οικονομικών Επιστημών και Διοίκησης, Πανεπιστήμιο Νεάπολις Πάφου | en_UK |
| dc.rights | Απαγορεύεται η δημοσίευση ή αναπαραγωγή, ηλεκτρονική ή άλλη χωρίς τη γραπτή συγκατάθεση του δημιουργού και κάτοχου των πνευματικών δικαιωμάτων | en_UK |
| dc.subject | ελιά | en_UK |
| dc.subject | ασθένειες φύλλων | en_UK |
| dc.subject | peacock spot | en_UK |
| dc.subject | μηχανική μάθηση | en_UK |
| dc.subject | βαθιά μάθηση | en_UK |
| dc.subject | transfer learning | en_UK |
| dc.subject | drone | en_UK |
| dc.subject | γεωργία ακριβείας | en_UK |
| dc.title | Ανίχνευση ασθενειών φύλλων ελιάς με εικόνες drone και τεχνικές μηχανικής μάθησης | en_UK |
| dc.title.alternative | Η παρούσα Διπλωματική Εργασία εκπονήθηκε στο πλαίσιο των σπουδών για την απόκτηση προπτυχιακού τίτλου στο Πανεπιστήμιο Νεάπολις | en_UK |
| dc.type | Thesis | en_UK |
